AI predikce zásob v gastro: konec „došlo kuře“

Na špičce večerního náporu je to stejný scénář: kuchyně jede naplno, objednávky padají jedna za druhou a najednou přijde zpráva z výdeje: „Kuře došlo.“ Nejde jen o zkažený zážitek hosta. Je to přímá finanční ztráta, stres v týmu a často i zbytečný odpad, protože se následně „pro jistotu“ objedná víc.

A právě tady začíná dávat smysl spojení dvou světů: prediktivní analytiky (která počítá budoucí spotřebu) a generativní AI (která umožní se na to jednoduše zeptat lidskou řečí). Jedna z praktických ukázek přišla z restaurací: nástroje typu ClearCOGS začaly testovat rozhraní ve stylu ChatGPT, které umí manažerovi odpovědět na otázku typu: „Mám 9 kg kuřete, jaká je šance, že dnes dojdeme?“

V rámci série „Umělá inteligence v zemědělství a potravinářství“ je tohle téma důležité i mimo gastro. Protože když restaurace přestanou řídit zásoby „pocitově“, přenáší se to zpátky do celého potravinového řetězce – od zpracovatelů až po zemědělce. Prosinec navíc tradičně přináší prudké výkyvy poptávky (firemní večírky, svátky, silvestrovské menu), takže přesná predikce není „nice to have“, ale nutnost.

Proč je „došlo kuře“ symptome, ne náhoda

Nejčastěji nejde o špatný nákup, ale o špatný odhad variability. Poptávka v restauraci není rovná čára. Ovlivňuje ji den v týdnu, počasí, lokální akce, výplaty, sezonní menu, ceny konkurence, a dokonce i to, jestli kuchyně přidala nové jídlo na rozvoz.

Typický provoz přitom pracuje s kombinací:

• historických prodejů (často jen „hrubý pocit“),
• tabulek a reportů, které nikdo nemá čas číst,
• manuálních inventur (nepravidelně),
• objednávek „ať je klid“.

Výsledek? Dva extrémy zároveň:

1. Stockout (došlo zboží) → ztracené tržby, horší hodnocení, chaos v kuchyni.
2. Overstock (přebytek) → odpisy, plýtvání, mrazák plný kompromisů.

Tahle kombinace je drahá. A co je horší: dělá z plánování reaktivní disciplínu. AI posouvá řízení zásob do režimu „předvídám a rozhoduju se dopředu“.

Co se změnilo: prediktivní model + chatovací rozhraní

Klíčová novinka není jen to, že model něco spočítá. Je to schopnost dostat odpověď během pár vteřin v přirozeném jazyce. V praxi to znamená, že manažer nemusí lovit v reportech a hledat správný filtr.

Jak takový systém typicky funguje (bez magie)

Ve většině implementací jde o tři vrstvy:

1. Data o prodeji a položkách (POS systém, rozvozové platformy, menu).
2. Data o zásobách a recepturách (skladové pohyby, receptury, výtěžnosti, přepočty jednotek).
3. Predikční vrstva (forecasting), která odhaduje spotřebu na hodiny/dny dopředu.

Chatovací AI (typ „ChatGPT v podniku“) pak funguje jako uživatelské rozhraní: vezme dotaz, převede ho na správné dotazy do dat a vrátí odpověď srozumitelně.

Jaké otázky to řeší v reálu

Největší hodnota je v otázkách, které lidé skutečně pokládají uprostřed směny:

• „Jaké jsou top položky tento týden a co to znamená pro nákup?“
• „Kolik porcí kuřete realisticky prodáme dnes mezi 18:00–21:00?“
• „Co mi dojde jako první, když přijde větší skupina?“
• „Když zvednu cenu burgeru o 10 Kč, jak se může změnit poptávka?“ (tohle už chce opatrnost a kvalitní data)

Silný moment je, že odpověď může být typu: „S 9 kg kuřete je 70% pravděpodobnost, že do 21:00 dojdeš. Doporučený krok: urychlit objednávku / upravit nabídku / přesunout promo na jiné jídlo.“

To není „věštění“. Je to práce s pravděpodobností – a ta je v provozu mnohem užitečnější než falešná jistota.

Jak AI v gastro pomáhá udržitelnosti (a proč to souvisí se zemědělstvím)

Restaurace je poslední článek řetězce, kde se rozhoduje o plýtvání v reálném čase. Pokud kuchyně přestane přebírat suroviny „do zásoby“, mění se objednávkové vzorce směrem k dodavatelům. A to je přesně ten most do zemědělství a potravinářství.

Bridge point 1: stejné principy jako u predikce výnosů

Na farmě se řeší: kolik sklidím a kdy. V restauraci: kolik prodám a kdy. V obou případech jde o forecasting s proměnnými, které se mění každý den.

• Zemědělství: výnosy, počasí, škůdci, termín sklizně.
• Gastro: poptávka, sezona, akce ve městě, skladové zásoby.

Modely a procesy jsou si blíž, než se zdá.

Bridge point 2: méně odpadu = hladší dodavatelský řetězec

Když restaurace přesněji plánuje, zlepšuje se:

• stabilita objednávek (dodavatel lépe plánuje logistiku),
• snížení vyhazování (lepší práce s trvanlivostí),
• kvalita surovin (kratší doba skladování).

U drůbeže je to obzvlášť citlivé: čerstvost, chlazený řetězec, výtěžnost po tepelné úpravě. Každá „zbytečná“ dodávka navíc má náklady – peněžní i ekologické.

Bridge point 3: AI v provozu jako trénink pro AI ve výrobě

Jakmile si podniky zvyknou pracovat s daty, je jednodušší jít dál: optimalizace výroby, plánování směn, automatizace objednávek, řízení energií. V potravinářství to navazuje na plánování šarží, spotřeby surovin a řízení kvality.

Co musí být splněno, aby predikce fungovala (a kdy ne)

AI je tak dobrá, jak dobrá jsou data a proces. To je nepohodlná pravda, ale šetří spoustu zklamání.

1) Receptury a přepočty musí odpovídat realitě

Pokud máte v receptu „200 g kuřete na porci“, ale kuchyně reálně dává 230 g, model bude systematicky mimo. Stejně tak výtěžnost po očištění a tepelné úpravě.

Praktický tip: vyberte 10 nejprodávanějších položek a u nich zkalibrujte gramáže. Získáte nejvíc muziky za nejmíň práce.

2) Skladové pohyby musí mít disciplínu

Nejde o dokonalost. Jde o konzistenci.

• příjem zboží včas,
• výdej do výroby aspoň v agregaci,
• ztráty (odpad) jako samostatná kategorie, ne „někam to zmizelo“.

3) Kontextové události: prosinec není březen

Model bez kontextu neví, že v pátek je velký koncert. Nebo že 20.12. začínají firemní večírky. Nejlepší systémy umožní přidat „událost“ nebo aspoň pracují s externími signály.

4) Generativní AI není účetní ani auditor

Chatovací rozhraní zrychluje práci, ale může:

• špatně interpretovat dotaz,
• zjednodušit realitu,
• „hezkou“ odpovědí zakrýt špatná data.

Proto se mi osvědčilo nastavit pravidlo: každé doporučení musí být dohledatelné (z jakých dat vychází) a u klíčových položek musí jít odpověď rozkliknout na zdrojové metriky.

Krátká věta pro praxi: „AI může navrhnout krok, ale odpovědnost za objednávku má člověk.“

Jak začít: jednoduchý plán na 30 dní

Nejrychlejší cesta není „pořídit AI“, ale vyřešit rozhodování kolem zásob. Tady je realistický postup, který jsem viděl fungovat i v menších provozech.

Týden 1: vyberte 3 položky, které bolí nejvíc

Zvolte suroviny, kde se nejčastěji stává:

• že dojdou (ztráta tržeb), nebo
• že se vyhazují (odpisy).

Typicky: kuře, hranolky, mléčné výrobky, pečivo, olej.

Týden 2: zaveďte „pravdivou“ spotřebu

• upravte receptury u top položek,
• nastavte minimální úroveň inventury (třeba 2× týdně),
• odpad evidujte zvlášť.

Týden 3: začněte forecast používat k rozhodnutí

Nejde o dokonalý model. Jde o to, aby se podle predikce něco změnilo:

• upravíte objednávku,
• přesunete promo na jiné jídlo,
• včas nahradíte surovinu v menu.

Týden 4: přidejte chatovací „dotazy“ a metriky

Jak poznáte, že to funguje?

• méně stockoutů u top položek,
• nižší odpisy u čerstvých surovin,
• kratší čas strávený reporty,
• menší „panika“ v špičce.

Pokud se nic nemění, problém není v AI. Je v procesu rozhodování.

Mini Q&A: co se nejčastěji řeší

Pomůže to i malé restauraci?

Ano, pokud má aspoň základní digitální data z pokladny a disciplínu ve skladu. Malý provoz navíc často získá nejvíc, protože každá ztracená porce bolí.

Nahradí to zkušeného manažera?

Ne. Zkušenost zůstává rozhodující, jen se opře o čísla. AI je dobrá v opakovaném počítání a hlídání detailů, člověk je lepší v kontextu (např. „dnes přijede autobusový zájezd“).

Co když predikce selže kvůli nečekané akci?

To se stane. Správný cíl není 100% přesnost, ale nižší frekvence průšvihů a rychlejší reakce, když se situace mění.

Kam to míří v roce 2026: od dotazů k automatickým krokům

Směr je jasný: AI v potravinářství a zemědělství se posouvá od „reportování“ k řízení. V gastro to znamená, že se z dotazu „Dojde mi kuře?“ stane automatický návrh: „Objednej 15 kg na zítřejší ráno, protože predikce ukazuje špičku a současné zásoby jsou pod bezpečnou hladinou.“

Další logický krok je propojení napříč řetězcem: když restaurace plánuje přesněji, může dodavatel plánovat lépe a zpracovatel i farma mají stabilnější signál poptávky. Tohle je praktická AI pro celý potravinový systém, ne jen hezký chatbot.

Pokud řešíte zásoby, odpad nebo výpadky klíčových surovin, začněte u jedné věci: udělejte z plánování zásob rutinu, kterou jde měřit. Pak teprve přichází AI, která má co počítat a co zrychlit. A až příště přijde páteční špička, „došlo kuře“ bude spíš výjimka než pravidlo.